基于可解释权重的联邦学习方法、服务器、客户端和系统

本申请公开了一种基于可解释权重的联邦学习方法、服务器、客户端和系统，该方法包括：将当前的全局模型发送至多个客户端；接收多个客户端发送的多个本地模型参数，本地模型参数为客户端基于本地数据对全局模型进行训练得到的更新参数；基于全局模型和多个本地模型参数，利用扰动样本集合确定每个本地模型的可解释权重；根据客户端的预设基础权重和可解释权重，对多个本地模型参数进行加权聚合，以更新全局模型。通过预设基础权重动态结合可解释权重进行全局模型的更新，能够有效识别并抑制恶意节点和Non‑IID数据偏差带来的负面影响，提升了全局模型在投毒攻击和异构数据环境下的鲁棒性。